超表面是一种由周期性排布的亚波长尺寸单元构成的人工电磁结构,通过对结构的设计和调整,实现需要的电磁响应。传统的超表面设计方法一般基于设计经典的构型和人员的设计经验,针对电磁响应的目标,确定一个基本单元构造和结构参数的可变范围,通过电磁仿真软件的数值运算和参数扫描的优化算法,得到一个满足目标要求的超表面设计结构。这种设计方式需要耗费大量的优化和仿真时间,且自由度低,设计过程高度依赖设计人员的设计经验和水平,在参数扫描的过程中无法判断是否能够依托确定的单元构造满足设计要求。近年来深度学习在超表面设计的领域开始发挥作用,通过神经网络对大量数据的学习,能够建立目标和解决方案之间的直接联系,从而大大节省设计过程中的仿真运算时间,降低对设计经验的依赖。在基于神经网络对超表面的设计中,主要分为两个设计思路,称为逆向设计和正向设计。当设计目标是提供一个特定电磁响应的超表面结构时,逆向设计是指使用神经网络建立超表面结构到电磁响应的预测模型,从而取代电磁仿真,建立一个快速输出电磁响应的结构模型数据库。通过检索符合限定要求的电磁响应,间接获得超表面的结构。正向设计是指面向设计目标,使用神经网络建立电磁响应到物理结构的预测模型,输入需要的目标电磁响应,神经网络直接输出合适的电磁结构参数。本文研究了深度学习在超表面单元设计中的应用,通过构建三网络正向设计神经网络框架,提取电磁响应和结构参数的特征并进行匹配,解决了正向设计中的判断物理可实现与否、对设计目标进行自动优化的问题,使得通过深度学习直接设计实用的超表面具备可实现性。首先使用了单层15×15的全金属编码频率选择表面单元对基于自编码器的双网络系统进行验证,解决了人工电磁材料设计中的数据集提取、单元表示等问题,其成果对超表面单元的应用和设计具有启发意义。随后基于双层的10×10的吸波陷波超表面单元和15×15双层编码超表面单元对三网络的神经网络系统进行了验证,并与传统优化算法进行了对比,确定了具有超表面设计神经网络系统高效性、泛用性和可靠性。在搭建的神经网络系统中,通过引入二维化的方法,大幅提高了神经网络的感知能力和预测精确度。通过仿真和测试,验证了神经网络系统对物理可实现的S参数曲线以及理想S参数曲线均具有良好的设计实现能力。